11、基于人工神经网络的核磁共振T2分布预测研究

基于人工神经网络的核磁共振T2分布预测研究

1. 引言

在油气储层表征中，核磁共振（NMR）T2分布对于估算地层孔隙度和渗透率等关键参数至关重要。本文将介绍两种不同的人工神经网络（ANN）模型，用于合成NMR T2分布响应，以近似原位流体填充孔隙尺寸分布。

2. 模型测试与训练

2.1 第一个ANN模型测试

测试深度仅有62个，远少于用于训练ANN模型的354个深度。测试数据集的预测性能（也称为泛化性能）与训练数据集相似。测试数据集预测的中位数R²和中位数归一化均方根误差（NRMSE）分别为0.8549和0.1218。考虑到获取测井数据时恶劣的地下钻孔条件（导致低信噪比）以及构建模型可用数据集的有限规模（可能导致过拟合和泛化能力差），这一测试性能十分出色。

特征重要性分析列出了27个特征（包括10个常规测井、12个反演衍生测井和5个分类特征）对T2合成数据驱动任务的重要性。特征重要性有助于理解数据驱动模型的内在决策过程，并评估模型的一致性。

2.2 第二个ANN模型训练

第二个ANN模型采用两步训练过程：
1. 通过拟合双峰高斯分布对T2分布进行参数化。
2. 训练ANN模型以预测控制双峰高斯分布拟合T2分布的六个参数。

训练数据集上第二个ANN模型预测的中位数R²和中位数NRMSE分别为0.7634和0.1571，而第一个ANN模型分别为0.8574和0.1201。因此，第一个ANN模型在训练数据集上的预测性能（也称为记忆性能）优于第二个模型，但第一个模型的计算时间比第二个模型多30%。大部分预测的R²大于0.7且NRMSE小于0.25，表明第二个